AI 創業機會在哪？Alexandr Wang 談小團隊如何把模型能力變成生意
AI 創業機會在哪？從 Alexandr Wang 的 YC 官方訪談，理解模型能力與應用落差、小團隊的 AI 代理分工，再用需求訪談、十筆案例與成本紀錄，驗證一項值得持續付費的服務。
Meta 首席 AI 官 Alexandr Wang 的一段訪談，讓 AI 創業的討論回到一個很實際的問題：工具已經很強，為什麼工作仍然這麼難完成？
若你正在等下一代模型，可能也期待它能一起解決資料混亂、客戶需求不清與跨部門溝通。
Wang 在 YC 訪談中提出另一個觀察，現有 AI 能力如何被社會採用，本身就有很大的發展空間。
這對小團隊有吸引力，因為創業者可以先從自己熟悉的工作切入，把反覆出現的麻煩做成服務。
但能快速做出展示，與能讓客戶持續付費，中間仍隔著可靠交付與維護成本。
我會把這段談話讀成一個選題提醒：先找值得改善的工作，再判斷 AI 能替其中哪一步帶來價值。
從原始訪談出發，可以更清楚地看見小團隊的機會，以及第一個創業試驗該怎麼設計。
這段 AI 創業談話，來自 7 月的 YC 訪談
原片發布時間與社群轉傳時間不同，理解這段談話時，需要先看它當時討論的是什麼。
YC 官方影片於 2026 年 7 月 29 日發布，來自 Startup School 2026。主持人是 YC 總裁 Garry Tan，Wang 當時已在 Meta 領導超級智能實驗室。
10 月社群重新分享的片段，大致對應完整影片 9 分 06 秒起的創業討論，接著進入個人超級智能的話題。
依 YC 發布的逐字稿，Wang 認為，即使模型暫時停止進步，現有技術的普及仍可能長期改變經濟與工作方式。
這是一位 AI 產業經營者的判斷。它讓我們把注意力轉向應用，也需要用各自的工作結果來檢驗。
「十億美元公司」應該怎麼理解？
社群用十億美元公司描述這個創業窗口，容易讓讀者把機會與成功規模直接畫上等號。
原始創業段落沒有提出小團隊必然達到十億美元的計算，也沒有給出公司估值、營收或成功率的預測。
對準備開始的人，比較能採取行動的問題是：有沒有一群人，正為同一件麻煩事花時間，而且願意為改善付費？
找到這個問題，就能把宏觀的機會縮成可訪談、可試做、可衡量的第一步。
YC 官方完整訪談，創業討論約從 09:06 開始，接著談個人超級智能 影片來源：Y Combinator 官方頻道。
AI 能力與客戶願意採用之間，還有很多工作
一項 AI 功能要成為生意，必須進入客戶原本的工作，並讓使用者看見改善。
例如模型可以整理一封詢價信，但業務真正需要的是知道缺少哪些規格、找出可用的價格資料，再準備能寄出的回覆。
如果每次都要業務重新找資料、檢查格式與補上缺漏，模型寫得再流暢，也可能只改善了整段工作的一小部分。
這裡的「應用落差」，就是模型展示的能力，與使用者每天能完成的工作之間的距離。
從交付結果倒推產品
與其先問要做聊天機器人還是 AI 代理，可以先寫下客戶要拿到什麼成果。AI 代理指能使用工具，依任務狀況安排步驟的系統。
假設目標是整理詢價，就可以把成果定為一份含需求、缺少資料與建議回覆的草稿，讓業務直接核對。
這種成果有明確邊界，也比較容易向使用者詢問：哪些資訊真的有用？哪些部分仍要重做？
| 客戶遇到的工作 | 可以先試的交付成果 |
|---|---|
| 詢價資訊分散在多封信 | 需求摘要與缺漏欄位清單 |
| 每週整理相同報表 | 有來源位置的數字與異常摘要 |
| 新人反覆詢問操作方法 | 引用現有文件的操作回答 |
| 客服需要查多份說明 | 附適用條件的回覆草稿 |
這些是本文提出的試驗方向，並非已驗證的商機或收益案例。創業者還要確認實際需求、資料權限與願付價格。
當結果能被檢查，銷售對話就有了具體內容。客戶回饋也能直接指出產品下一次該改哪裡。
延伸閱讀：Palantir 為何發給新人一本表演書？Alexandr Wang 舊訪談引熱議，揭示企業 AI 的信任門檻
小團隊的優勢，要靠更短的修改循環實現
人少讓溝通比較直接，但團隊仍需要把客戶問題迅速轉成修改，再拿結果回去確認。
Wang 用「機甲歌利亞」形容受到 AI 代理增強的新創，認為它們有機會與大型公司競爭。這是他的競爭觀點，沒有證明小公司在每個市場都佔優勢。
如果三個人都能接觸使用者、理解錯誤與調整流程，少一道交接就可能縮短試驗時間。這是本文對小團隊工作方式的分析。
相反地，若只有一個人知道客戶需求，其他人與代理只能等他交辦，團隊即使很小，仍會卡在同一個地方。
每個代理都需要可交接的任務
先把工作拆清楚，才有理由增加代理。例如一個步驟讀取資料、一個步驟整理草稿，最後由人確認是否符合客戶要求。
每一步都應知道自己拿到什麼、交出什麼，以及遇到資料不足時該交回誰，否則平行工作只會更快產生不同版本。
在 Anthropic 的代理設計文章中，官方建議從簡單解法開始，再依成果增加複雜度。代理也需要環境回饋與停止條件。
這些設計原則發表於 2024 年，可作為安排任務的參考。實際選擇工具時，仍應確認目前的功能與限制。
因此，第一版產品可以先採固定步驟。只有當任務確實需要不同路徑，而系統也能判斷結果時，再提高自主程度。
延伸閱讀：Claude 動態工作流程開放測試：多個代理分工，為何仍需要總預算？
第一個試驗，先證明一項工作變得更好
小範圍試驗的價值，是讓團隊在投入更多時間前，知道改善到底發生在哪裡。
可以找一位願意一起測試的使用者，選出過去反覆處理的工作，記錄原本的完成方式，再讓 AI 處理相同範圍。
以下用詢價整理示範試驗設計，十筆案例是起步時的設定，不代表已取得實測成果。
先準備十筆案例與合格答案
十筆案例可以包含需求完整、資料缺漏與條件互相矛盾的情況，避免只挑最容易成功的輸入。
請使用者先寫下每筆應保留的資訊，以及哪些錯誤會讓草稿無法使用。這會形成一份小型測試集，也就是用來反覆檢查結果的固定案例。
如果沒有合格答案，團隊很容易把「看起來寫得不錯」當成成功，卻不知道它是否漏掉真正影響交易的規格。
人工修正時間也要計入成本
測試時，同時記錄模型處理時間與人的修正時間。等候、重試、查錯與重新整理，都會影響一次交付的總成本。
一份草稿若只花幾秒生成，卻要花二十分鐘補查價格，就還沒有完成原本想改善的工作。
| 要觀察的項目 | 可以記錄的證據 |
|---|---|
| 資訊是否完整 | 必要欄位的缺漏數與原文位置 |
| 內容是否正確 | 錯誤資料與沒有來源的說法 |
| 人是否真的省時 | 閱讀、查證與修改所花時間 |
| 使用者是否願意續用 | 下一次實際工作是否再採用 |
完成這一輪後，再討論費用與使用頻率，比先估算整個市場有多大，更能回答這項服務是否值得繼續做。
把試驗結果寫成下一步決定
如果使用者滿意摘要，但每次都要重做建議回覆，就先保留摘要服務，研究回覆失敗的原因。
若錯誤主要來自缺資料，可以改善輸入。若資料完整仍常誤判，就需要縮小承諾、調整解法，或重新評估這項工作。
這種修改方式讓模型能力與業務問題彼此對得上。每次投入，都能回答自己正在改善哪一項已知缺口。
從試做走向收費，要能處理日常的例外
客戶第一次試用成功後，接下來會遇到資料更新、操作改變，以及原本沒有想到的情況。
因此，產品需要說清楚哪些輸入可以處理、資料缺漏時如何提示，以及誰負責檢查交付結果。
以詢價工具為例，價格表過期就應標示無法判定。兩封信的規格衝突，就應列出衝突讓業務確認，避免替客戶自行選一個答案。
這些看似細小的安排，會決定使用者能否把產品放進日常工作，也會影響你需要投入多少維護時間。
模型費用之外，還有導入與維護
試算一筆服務的成本時，可以把模型費用、資料整理、人工覆核與例外處理一起列出，再與客戶願付的費用比較。
若每個新客戶都要重新整理一套資料、重新寫一套流程，收入增加的同時，人工負擔也可能跟著增加。
這不表示服務不能做，而是要先辨認能共用的部分。例如保留相同的需求欄位與檢查方式，再依客戶調整資料來源。
也要詢問客戶為什麼選你：是更懂他的工作、能接上現有系統，還是能負責處理錯誤？這些答案才能指向持續合作的理由。
當你知道交付需要多少工時、客戶願意為什麼付費，就比較有條件決定下一階段該增加客戶，還是先改善產品。
個人超級智能是願景，創業仍要選擇具體需求
個人超級智能描述的是一種能力很強、理解個人情境，並協助完成目標的 AI 願景。
Meta 在 2026 年 8 月的官方文章中，把個人代理與小企業列為推進方向，主張讓更多人能使用這種能力。
這個方向有助於理解 Wang 為什麼看好創業，也提醒我們，他的發言與 Meta 的產品戰略相連。
對創業者而言，願景可以幫助想像未來的使用方式。今天要交付的服務，仍須依現在能取得的資料與功能來設計。
如果客戶需要的是每天少花時間整理詢價，就先證明這件事能改善。未來工具能力增加，再研究能否接到後續流程。
這讓團隊保留成長空間，也讓客戶知道自己現在買到的是什麼。
AI 創業常見問題
現在開始，就不用等更強的模型嗎？
可以先用現有工具測試清楚的需求。如果固定案例仍無法可靠完成，就應調整範圍或等待更合適的解法。是否夠用，要由任務結果決定。
一個人能靠很多 AI 代理做出大公司嗎？
代理可能擴大一個人的工作能力，但銷售、維護、客戶關係與責任仍需要安排。這段訪談沒有證明一人公司必然達到特定規模。
第一版就需要多代理系統嗎？
先用最簡單的方式完成目標。當固定步驟已經有效，沒有必要為了代理數量增加協調成本。確有分工需求時，再比較新增代理後的結果。
怎麼知道客戶只是覺得有趣，還是真的需要？
觀察他是否在下一次實際工作裡繼續使用，並詢問願意為哪些成果付費。展示時的稱讚，可以作為回饋，後續使用才更接近需求證據。
從一件反覆發生的麻煩，開始驗證機會
Wang 的談話把創業問題拉回了應用：現有技術進入日常工作，仍有許多需要人去完成的連接。
我會優先選自己能接觸使用者、能取得適當資料，也能判斷成果好壞的題目，先做出一項值得繼續使用的服務。
現在可以看 YC 官方完整訪談，再寫下一項你最熟悉的重複工作，找使用者比較原本做法與第一版成果。
想持續掌握應用與工作流程案例，也可以訂閱 AI 郵報，讓新工具的資訊接回自己的實際需求。
